基于卷积神经网络特征提取的风电功率爬坡预测.pdfVIP

第45 卷 第4 期 2021 年2 月25 日 Vol.45No.4 Feb.25,2021 DOI：10.7500/AEPS20200227005 基于卷积神经网络特征提取的风电功率爬坡预测 景惠甜，韩 丽，高志宇 （中国矿业大学电气与动力工程学院，江苏省徐州市 221116） 摘要：为提高风电功率爬坡预测的准确性，提出了一种基于卷积神经网络、长短期记忆网络和注意 力机制的风电功率爬坡预测方法。首先，针对风电功率爬坡发生次数少、特征复杂、预测模型难以 对小样本爬坡事件有效学习的问题，使用卷积神经网络对风电功率序列进行特征提取。然后，使用 长短期记忆网络建立预测模型，解决风电功率的长时依赖问题，并在模型中加入注意力机制对长短 期记忆网络单元的输出进行加权，从而加强风电特征的学习，提高爬坡预测准确度。仿真验证表 明，模型对风电功率爬坡预测有较高的准确性。 关键词：风电功率爬坡预测；卷积神经网络；长短期记忆网络；注意力机制；风电爬坡 0 引言 特征和不相关特征被除去，而有用特征得以保留。 CNN在图像识别方面有强大的功能，其中特征提取 近年来，随着环境污染的加重和化石能源的日 层的参数可以通过训练数据学习得到，避免了人工 益减少，开发新的替代能源成为研究热点。其中，风 提取特征，其同一特征图的神经元可以共享权值，从 能以其高效清洁的特点获得了国内外的青睐。但 ［1-2］ 而可以减少网络参数。CNN善于挖掘数据局部特 是，风能具有很强的随机性和间歇性 ，尤其是当 ［19］ 征，具有极强的适应性 。注意力机制（attention 发生长时间的极端气象天气，爬坡事件极易发生。 mechanism，AM）最早用在图像处理领域，每个输入 风电爬坡是指一段时间内，风电功率发生大幅度的 是具有相应注意力的权重，这些注意力权重在输出 波动，风电爬坡使电力系统维持功率和频率的稳定 后进行重新计算，使得网络的注意力能随着输入的 更加困难，给风电的并网和调度带来了巨大的挑 ［3-7］ 推移而改变，在模型训练时让神经网络高度关注某 战 。为了减少爬坡事件对系统的影响，需要对爬 些信息。由于风电爬坡场景少，其特征信号容易淹 坡预测的方法进行研究。目前，最常见的爬坡预测 ［8-9］ 没在大量其他特征中，采用AM来加强对爬坡特征 方法是基于历史数据进行预测 。为了提升预测 的精度，也有研究将气象预测数据和统计模型相结 的学习，能有效提高预测模型精度。现有的AM需 合［10-11］。由于风能的特性受多种因素的影响，简单 要人为设置打分函数［21-22］，难以适应对复杂风电信 的预测方法无法准确捕捉爬坡特性，这就要求不断 号中爬坡特征的学习。为此，本文通过全连接层直 研究新的方法以更加准确地获取风电的爬坡 接构造AM，AM 的权重在对风电信号学习过程中 特征［12-14］。 通过训练得出，以加强风电爬坡的特征。 深度学习网络具有强大的深度特